• Duración:
    6 semanas
  • Dedicación:
    4–6 horas por semana
  • Precio:

    GRATIS
    Agregar un Certificado Verificado por $99 USD

  • Institución
  • Tema:
  • Nivel:
    Introductory
  • Idioma:
    English
  • Transcripción de video:
    English

Programas asociados:

Prerrequisitos

Sobre este curso

One of the principal responsibilities of a data scientist is to make reliable predictions based on data. When the amount of data available is enormous, it helps if some of the analysis can be automated. Machine learning is a way of identifying patterns in data and using them to automatically make predictions or decisions. In this data science course, you will learn basic concepts and elements of machine learning.

The two main methods of machine learning you will focus on are regression and classification. Regression is used when you seek to predict a numerical quantity. Classification is used when you try to predict a category (e.g., given information about a financial transaction, predict whether it is fraudulent or legitimate).

For regression, you will learn how to measure the correlation between two variables and compute a best-fit line for making predictions when the underlying relationship is linear. The course will also teach you how to quantify the uncertainty in your prediction using the bootstrap method. These techniques will be motivated by a wide range of examples.

For classification, you will learn the k-nearest neighbor classification algorithm, learn how to measure the effectiveness of your classifier, and apply it to real-world tasks including medical diagnoses and predicting genres of movies.

The course will highlight the assumptions underlying the techniques, and will provide ways to assess whether those assumptions are good. It will also point out pitfalls that lead to overly optimistic or inaccurate predictions.

Lo que aprenderás

  • Fundamental concepts of machine learning
  • Linear regression, correlation, and the phenomenon of regression to the mean
  • Classification using the k-nearest neighbors algorithm
  • How to compare and evaluate the accuracy of machine learning models
  • Basic probability and Bayes’ theorem

Conoce a tus instructores

Ani Adhikari
Teaching Professor of Statistics
UC Berkeley
John DeNero
Giancarlo Teaching Fellow in the EECS Department
UC Berkeley
David Wagner
Professor of Computer Science
UC Berkeley

Obtén un Certificado Verificado para destacar los conocimientos y las habilidades que adquieras $99.00

Ver un modelo de certificado de edX en PDF
  • Oficial y verificado

    Obtén un certificado con la firma del instructor y el logotipo de la institución para demostrar tus logros y aumentar las posibilidades de conseguir trabajo

  • Fácil de compartir

    Agrega el certificado a tu currículum o publícalo directamente en LinkedIn

  • Incentivo comprobado

    El certificado te da un motivo más para completar el curso

  • Apoya nuestra labor

    edX, una organización sin fines de lucro, se sustenta con los certificados verificados para financiar la educación gratuita para todo el mundo

¿Quién puede hacer este curso?

Lamentablemente, las personas de uno o más de los siguientes países o regiones no podrán registrarse para este curso: Irán, Cuba y la región de Crimea en Ucrania. Si bien edX consiguió licencias de la Oficina de Control de Activos Extranjeros de los EE. UU. (U.S. Office of Foreign Assets Control, OFAC) para ofrecer nuestros cursos a personas en estos países y regiones, las licencias que hemos recibido no son lo suficientemente amplias como para permitirnos dictar este curso en todas las ubicaciones. edX lamenta profundamente que las sanciones estadounidenses impidan que ofrezcamos todos nuestros cursos a cualquier persona, sin importar dónde viva.